“`html

“`

ادخل [[LINK1]] الذكاء الاصطناعي[[LINK1]]. وكما هو الحال في العديد من الصناعات، ظهرت مجموعة من الشركات الناشئة لتُوظّف [[LINK2]] الذكاء الاصطناعي[[LINK2]] لتسريع، وتبسيط، وثورة عملية مراجعة الأدب العلمي. تُصنّف العديد من هذه الشركات الناشئة نفسها كمحركات بحث ذكاء اصطناعي مُركّزة على البحوث الأكاديمية، ولكل منها ميزات منتجات مُميّزة وجماهير مستهدفة.

[[LINK3]]يُشجع [[LINK3]]إيليسيت[[LINK3]] الباحثين على “تحليل أوراق البحث بسرعة خارقة” و يُبرز استخدامه من قِبل باحثين خبراء في مؤسسات مثل غوغل، و ناسا، و البنك الدولي. سايت يقول إنه بنى أكبر قاعدة بيانات للاقتباسات من خلال مراقبة مستمرة لـ 200 مليون مصدر علمي، و يُقدم “اقتباسات ذكية” تُصنّف النتائج إلى أدلة داعمة أو متعارضة. التوافق يضمّ عينة على الصفحة الرئيسية تبدو موجهة لمساعدة غير المتخصصين في الحصول على فهم أوسع لسؤال معين، مُفسّرًا المنتج بوصفه “غوغل سكولر يلتقي تشات جي بي تي” و يقدّم مقياس توافق يُلخّص أهم النتائج. هذه ليست سوى بعض الأمثلة العديدة.

لكن هل يمكن للذكاء الاصطناعي أن يحل محل مراجعة الأدبيات العلمية المنهجية عالية الجودة؟

يُجمع الخبراء في مجال تلخيص البحوث عمومًا على أن نماذج الذكاء الاصطناعي الحالية تتميز بقدرة كبيرة جدًا على إجراء التحليلات النوعية – بمعنى آخر، إنشاء ملخص سردي للأدبيات العلمية. أما حيث لا تُبدي قدرة عالية فهي الطبقة الكمية الأكثر تعقيدًا التي تجعل الاستعراض منهجيًا حقًا. عادةً ما يتضمن هذا التجميع الكمي طرقًا إحصائية مثل التحليل التلوي، الذي يحلل البيانات الرقمية عبر العديد من الدراسات لاستخلاص استنتاجات أكثر قوة.

يقول جوشوا بولانين، المؤسس المشارك لمركز طرق التركيب والتكامل (MOSAIC) [[LINK11]]بمعهد البحوث الأمريكي[[LINK12]]: “يمكن أن تكون نماذج الذكاء الاصطناعي جيدة بنسبة تقريباً 100% مثل البشر في تلخيص النقاط الرئيسية وكتابة حجة سلسة”. “لكننا لم نتجاوز حتى 20% من الطريق في التركيب الكمي”، يقول. “التحليل الميتا الحقيقي يتبع عملية صارمة في كيفية البحث عن الدراسات وكمية النتائج. هذه الأرقام هي أساس الاستنتاجات القائمة على الأدلة. الذكاء الاصطناعي ليس قريبًا من القدرة على القيام بذلك”.

مشكلة الكمية

يُمكن أن تكون عملية الكميّة مُعقدة حتى بالنسبة للخبراء المُدرَّبين، كما يُوضّح بولانين. بإمكان البشر والذكاء الاصطناعي بشكل عام قراءة دراسة وملخص النتائج: وجدت الدراسة أ تأثيرًا، أو لم تجد الدراسة ب تأثيرًا. والجزء المُعقد هو وضع قيمة عددية على مدى التأثير. علاوة على ذلك، غالبًا ما توجد طرق مختلفة لقياس التأثيرات، ويجب على الباحثين تحديد الدراسات وتصميمات القياس التي تتوافق مع فرضية سؤال بحثهم.

يقول بولانين إن النماذج يجب أن تحدد أولاً وتستخرج البيانات ذات الصلة، ثم يجب عليها اتخاذ قرارات دقيقة حول كيفية مقارنة وتحليلها. “حتى كخبراء بشر، على الرغم من محاولتنا اتخاذ القرارات مسبقًا، قد تجد نفسك مضطرًا لتغيير رأيك على الفور”، كما يقول. “هذا ليس شيئًا سيُجيدُه الكمبيوتر”.

بالنظر إلى الغرور الموجود حول الذكاء الاصطناعي وداخل ثقافة الشركات الناشئة، قد يتوقع المرء أن تُعارض الشركات التي تُنشئ هذه النماذج الذكاء الاصطناعي تقييم بولانين. لكنك لن تحصل على جدال من إريك أولسون، المؤسس المشارك لشركة Consensus: “لا أستطيع أن أتفق أكثر، بصراحة”، كما قال.

بناءً على رأي بولانين، يضيف أولسون أن المنصة “متعمدة في كونها أعلى مستوى من بعض الأدوات الأخرى، مما يمنح الأشخاص معرفة أساسية تُتيح لهم رؤى سريعة”. يرى المستخدم المثالي في الطالب الجامعي: شخصٌ لديه قاعدة معرفية متوسطة يعمل على أن يصبح خبيراً. يمكن أن تكون المنصة أداةً من بين أدواتٍ عديدةٍ لخبيرٍ حقيقي في الموضوع، أو يمكنها مساعدة غير عالمٍ في المجال على البقاء على اطلاعٍ – مثل مستخدم المنصة في أوروبا الذي يظل على اطلاعٍ على الأبحاث المتعلقة بمرضٍ وراثي نادرٍ يصيب طفله. “لقد أمضى مئات الساعات على غوغل سكولار كشخصٍ غير باحث. أخبرنا أنه كان يحلم بشيءٍ كهذا منذ عشر سنوات، وأنه غير حياته – الآن يستخدمها كل يوم”، يقول أولسون.

في إيليسيت، تستهدف الفريق نوعًا مختلفًا من العملاء المثاليين: “شخص يعمل في مجال الصناعة في سياق البحث والتطوير، ربما داخل شركة بيولوجية طبية، يحاول تحديد ما إذا كان سيواصل تطوير تدخل طبي جديد”، كما يقول جيمس برادي، رئيس الهندسة.

مع وجود هذا المستخدم ذي المقام العالي في الاعتبار، تُظهر إيليسيت بوضوح للمستخدمين ادعاءات السببية والأدلة التي تدعمها. يقسم الأداة المهمة المعقدة لمراجعة الأدبيات إلى قطع قابلة للإدارة يمكن للإنسان فهمها، كما أنها توفر المزيد من الشفافية مقارنةً بالروبوتات المحادثة العادية: يمكن للباحثين رؤية كيفية وصول نموذج الذكاء الاصطناعي إلى إجابة ويمكنهم التحقق منها ضد المصدر.

مستقبل أدوات مراجعة العلوم

يتفق برادي على أن نماذج الذكاء الاصطناعي الحالية لا توفر مراجع منهجية شاملة على غرار كوكرين، لكنه يقول إن هذا ليس عيبًا تقنيًا جوهريًا. بل إنه مسألة تقدم مستقبلي في الذكاء الاصطناعي ومهارات هندسة المطالبات الأفضل. يقول برادي: “لا أعتقد أن هناك شيئًا يمكن لأدمغتنا فعله لا يستطيع الكمبيوتر فعله، من حيث المبدأ”. “وذلك ينطبق على عملية المراجعة المنهجية أيضًا”.

يتفق رومان لوكيانينكو، أستاذ في جامعة فرجينيا[[LINK20]] متخصص في منهجيات البحث، على أن التركيز الرئيسي في المستقبل يجب أن يكون على تطوير طرق لدعم عملية المطالبة الأولية للحصول على إجابات أفضل. كما لاحظ أن النماذج الحالية تميل إلى إعطاء الأولوية للمقالات العلمية التي يمكن الوصول إليها مجانًا، ومع ذلك، يوجد الكثير من البحوث عالية الجودة خلف جدران المدفوعات. ومع ذلك، فهو متفائل بالمستقبل.

يقول لوكيانينكو، الذي شارك مع جيريت فاغنر و جاي باريه في تأليف دراسة حول الذكاء الاصطناعي واستعراض الأدبيات سبقت ظهور برنامج تشات جي بي تي لسنة 2022 والتي انتشرت بسرعة: “أعتقد أن الذكاء الاصطناعي هائل – ثوري على العديد من المستويات – لهذه الفئة. لدينا فيض من المعلومات، لكن بيولوجيتنا البشرية تحد من ما يمكننا فعله بها. تمثل هذه الأدوات إمكانيات عظيمة.”

يقول، إنّ التقدّم في العلم غالباً ما ينشأ من نهج متعدد التخصصات، وهنا تكمن إمكانيات الذكاء الاصطناعي الكبيرة. “لدينا مصطلح “رجل عصر النهضة”، وأنا أحب أن أفكر في “الذكاء الاصطناعي لعصر النهضة”: شيء يتمتع بإمكانية الوصول إلى جزء كبير من معارفنا ويمكنه إقامة صلات”، يقول لوكيانينكو. “يجب أن ندفعه بقوة لإجراء اكتشافات صدفية، غير متوقعة، وبعيدة المدى بين المجالات.”

المصدر: المصدر